論文の概要: A Probabilistic Perspective on Wasserstein-Based Evidential Uncertainty for Out-of-Distribution Segmentation
- arxiv url: http://arxiv.org/abs/2610.10116v1
- Date: Wed, 07 Oct 2026 14:03:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.950294
- Title: A Probabilistic Perspective on Wasserstein-Based Evidential Uncertainty for Out-of-Distribution Segmentation
- Title（参考訳）: 分布外セグメンテーションのためのワッサーシュタインに基づく証拠不確実性に関する確率論的視点
- Abstract要約: We study the influence of the Wasserstein order on segmentation accuracy and OOD detection within a unified evidenceial framework。
我々は、このフレームワークを、SegmentMeIfYouCanベンチマーク上で、畳み込み(DeepLabV3+)と変換器ベースの(SegFormer)アーキテクチャで評価する。
- 参考スコア（独自算出の注目度）: 22.45768202733885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation networks operate on a fixed set of classes and therefore fail when out-of-distribution (OOD) objects appear during deployment, a critical limitation for safety-critical applications such as autonomous driving. Reliably identifying OOD objects requires well-calibrated epistemic uncertainty, yet common softmax-based confidence scores remain overconfident, while Bayesian alternatives such as Monte Carlo dropout or deep ensembles require costly repeated forward passes. Evidential Deep Learning (EDL) offers an efficient alternative by modeling class probabilities as a Dirichlet distribution learned from a single deterministic forward pass. Existing EDL formulations rely on Euclidean objectives that push predictions towards the simplex vertices, encouraging overconfidence rather than preserving uncertainty for unfamiliar inputs. We instead employ Wasserstein-based objectives, which respect the geometry of the probability simplex, and study the influence of the Wasserstein order on segmentation accuracy and OOD detection within a unified evidential framework. We evaluate this framework on a convolutional (DeepLabV3+) and a transformer-based (SegFormer) architecture on the SegmentMeIfYouCan benchmark, including LostAndFound, RoadObstacle21, RoadAnomaly21, and Fishyscapes. Our results show the optimal Wasserstein order is architecture-dependent: second-order objectives dominate on the convolutional backbone, third-order objectives on the transformer backbone, and our framework surpasses comparable baselines on most metrics, with a single deterministic forward pass.
- Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)ネットワークは、固定されたクラスのクラスで運用されるため、アウト・オブ・ディストリビューション(OOD)オブジェクトがデプロイ中に現れるとフェールする。
OODオブジェクトを確実に識別するには、よく校正されたてんかんの不確実性が必要であるが、一般的なソフトマックスベースの信頼スコアは過信であり、モンテカルロのドロップアウトやディープアンサンブルのようなベイズ的な代替品は、費用がかかる前方通過を必要とする。
Evidential Deep Learning (EDL)は、クラス確率を1つの決定論的前方通過から学習したディリクレ分布としてモデル化することで、効率的な代替手段を提供する。
既存のEDLの定式化は、単純な頂点に向けて予測をプッシュするユークリッドの目的に依存しており、不慣れな入力に対して不確実性を保持するのではなく、過信を奨励している。
代わりに、確率単純体の幾何学を尊重するワッサーシュタインに基づく目的を用いて、ワッサーシュタイン順序が統一的な明らかな枠組み内でのセグメンテーション精度とOOD検出に与える影響を研究する。
我々は、このフレームワークを、LostAndFound, RoadObstacle21, RoadAnomaly21, Fishyscapesを含むSegmentMeIfYouCanベンチマーク上で、畳み込み(DeepLabV3+)と変換器ベースの(SegFormer)アーキテクチャで評価する。
コンボリューションバックボーンでは2次目的が支配的であり,トランスフォーマーバックボーンでは3次目標が支配的であり,我々のフレームワークは1つの決定論的フォワードパスで,ほとんどの指標において同等のベースラインを超えている。
関連論文リスト
- Combining Foundation Model Confidence and Monocular Depth for Training-Free Out-of-Distribution Segmentation [1.800619071013106]
基礎セグメンテーションモデルの信頼性予測から直接高密度OODスコアを導出する学習自由手法を提案する。
提案手法をSegmentMeIfYouCanベンチマークで評価し,OODトラッキングの性能をビデオシーケンスで評価した。
論文 参考訳（メタデータ） (2026-09-19T09:04:17Z) - DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。
私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
論文 参考訳（メタデータ） (2026-07-13T08:19:09Z) - Road-Aware Anomaly Segmentation with Query-Guided Polygons and CLIP in Autonomous Driving [0.5371337604556311]
我々は、リトレーニングを必要とせず、OODデータも補助的な監視も不要な、軽量でポストプロセッシング、ロードアウェアな異常セグメンテーションフレームワークを提案する。
提案手法は,問合せレベルのマスク信頼度を利用して,マスクトランスフォーマーに基づくセグメンテーションネットワーク上に構築する。
Fishyscapes、SMIYC、RoadAnomalyの3つの公開ベンチマークの評価は一貫して高いパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-07-05T13:43:31Z) - Partition-Guided Distance Saliency: Bridging Decision and Objective Spaces in Many-Objective Optimization [0.7136933021609075]
本稿では,連続最適化ランドスケープ用に設計された新しいXAIアプローチであるPGDS(Partition-Guided Distance Saliency)フレームワークを紹介する。
まず,決定空間における幾何学的距離が,対象空間の近さにどのように対応しているかを学習する代理モデルを用いる。
第二に、高次元における手動目標選択の難しさに対処するため、この枠組みは、対象の景観を個別の領域に自動的に分割し、局所的な支配点を特定する」。
第3に、各変数に対する摂動によって引き起こされる距離シフトを測定することにより、解の位置が各決定変数にどれほど敏感であるかを定量化する。
論文 参考訳（メタデータ） (2026-06-29T19:04:53Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - Out-of-Distribution Segmentation via Wasserstein-Based Evidential Uncertainty [22.45768202733885]
確率的単純度幾何を尊重しながら分布距離をキャプチャするワッサーシュタイン損失を用いたエビデンスセグメンテーションフレームワークを提案する。
提案手法は,不確実性に基づくアプローチに比べてOODセグメンテーション性能が向上する。
論文 参考訳（メタデータ） (2025-12-12T08:36:59Z) - Representation-Aware Distributionally Robust Optimization: A Knowledge Transfer Framework [6.529107536201152]
本稿では,分散シフトに対処する際の予測表現を考慮に入れた,分散的ロバスト学習のための新しいフレームワークを提案する。
我々は,READが輸送コストに多次元アライメントパラメータを埋め込むことで,情報表現に関連する方向に沿った摂動を差分的に回避できることを示した。
我々は、広範囲なシミュレーションと実世界の研究を通して、我々のフレームワークの有効性を実証することで結論付ける。
論文 参考訳（メタデータ） (2025-09-11T11:42:17Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - Provable Offline Preference-Based Reinforcement Learning [95.00042541409901]
本研究では,PbRL(Preference-based Reinforcement Learning)の問題について,人間のフィードバックを用いて検討する。
我々は、報酬が軌道全体にわたって定義できる一般的な報酬設定について考察する。
我々は, 軌道毎の集中性によって上界に拘束できる新しい単極集中係数を導入する。
論文 参考訳（メタデータ） (2023-05-24T07:11:26Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。